کامران عبدی - بخش مهندسی و علوم کامپیوتر و فناوری اطلاعات، دانشگاه شیراز
سیدرئوف خیامی - دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه صنعتی شیراز
غلامحسین دستغیبی فرد - بخش مهندسی و علوم کامپیوتر و فناوری اطلاعات، دانشگاه شیراز

تصویب مبادلات تجارت خودکار در سطح جهانی، منجر به ایجاد بازارهای اقتصادی پربسامد ۴ شد. در بازارهای اقتصادی پربسامد ثبت و ضبط معیارهای پیشبینی کار چالش برانگیزی محسوب میشود. برای نخستین بار در این پژوهش مجموعه ی داده سفارش محدود بورس اوراق بهادار تهران جمع آوری شده است. هدف ما در این تحقیق پیشبینی قیمت متوسط آینده سهام برای رویدادهای نزدیک است. بدین منظور مدل XG-boost در مقیاس کوچک برای پیش بینی حرکت قیمت داده های سفارش محدود طراحی شده است که میتواند به ارزیابی مجموعه داده ی جمع آوری شده و همچنین مجموعه داده ی FI-۲۰۱۰ بپردازد. به کمک مجموعه داده آموزش / ارزیابی با استفاده از روش اعتبارسنجی متقابل ۱۰-fold روزانه به ارزیابی مدل پرداخته شده است. با توجه به توانایی بالای مدل XG-boost در هرس کردن بهینه درخت و همچنین قابلیت استفاده از روش جستجوی شبکه ای برای بهینه سازی ابرپارامترهای مدل با استفاده از روشهای موازی سازی به توانایی مدل XG-boost در پیشبینی قیمت متوسط روی داده های سفارش محدود پی خواهیم برد. نتایج بدست آمده با الگوریتم XG-boost را با الگوریتمهای رگرسیون ریج و شبکه ی عصبی پیشرو تک لایه پنهان مقایسه شده است و مشاهده شده است که حدود ۱۰ درصد نمره F۱ برای افق های پیشبینی مختلف بهبود مییابد.

داده های سفارش محدود، یادگیری ماشین، XG-boost، قیمت متوسط سهم.